پایداری | متن کامل رایگان | ارزیابی حساسیت بلایای زمین شناسی با استفاده از یادگیری ماشینی: مطالعه موردی تونل آتال در فلات تبت - شهرساز | سایت تخصصی شهرسازی با هوش مصنوعی | شهرساز

بهترین آموزش های کاربردی در شهرسازی

بهترین آموزش های کاربردی در شهرسازی را از Urbanity.ir بخواهید

…

ادامه ...

خرید درب شیشه ای سکوریت با بهترین قیمت از تتراگلس

ادامه ...

Saturday, 29 June , 2024
امروز : شنبه, ۹ تیر , ۱۴۰۳

آخرین اخبار »

شناسه خبر : 18161

ارسال

پرینتخانه » مقالات تاریخ انتشار : 29 می 2024 - 3:30 | 11 بازدید | ارسال توسط : riazat

پایداری | متن کامل رایگان | ارزیابی حساسیت بلایای زمین شناسی با استفاده از یادگیری ماشینی: مطالعه موردی تونل آتال در فلات تبت

۱٫ معرفی به عنوان بخشی از زیرساخت، مهندسی تونل نقش اساسی در پیشبرد رشد اقتصادی منطقه ای و تضمین ساخت و بهره برداری از تاسیسات اطراف دارد. [۱,۲,۳]. با تقاضای فزاینده ای که شبکه ترافیک در فلات تبت تجربه می کند، تونل های طولانی مدفون در اعماق مورد نیاز است. با این حال، چالش‌های جدی […]

۱٫ معرفی

به عنوان بخشی از زیرساخت، مهندسی تونل نقش اساسی در پیشبرد رشد اقتصادی منطقه ای و تضمین ساخت و بهره برداری از تاسیسات اطراف دارد. [۱,۲,۳]. با تقاضای فزاینده ای که شبکه ترافیک در فلات تبت تجربه می کند، تونل های طولانی مدفون در اعماق مورد نیاز است. با این حال، چالش‌های جدی به دلیل آب و هوای منحصربه‌فرد در ارتفاعات و شرایط پیچیده زمین‌شناسی که در طول ساخت تونل وجود دارد و مستعد وقوع فاجعه‌های زمین‌شناسی است، وجود دارد. [۴,۵,۶]. تونل آتال (۹٫۰۲ کیلومتر) که قبلا به عنوان تونل روتانگ شناخته می شد، یک شاهکار مهندسی قابل توجه است که در فلات تبت واقع شده است. این تونل در زیر گذرگاه Rohtang ساخته شده است و دارای ممتازترین تونل بزرگراهی جهان در ارتفاع بالا است. [۷,۸] (شکل ۱). طبق گزارشات قبلی، تکمیل این تونل حدود ۱۰ سال به طول انجامید و با محدودیت ارتفاع توپوگرافی و ژئومورفولوژی، از یک منطقه کوه-دره عبور می کند. برخی از بخش‌ها در یک ناحیه شکستگی گسلی با فشار آب بالا که شامل هجوم آب کارست و گل و لای است، قرار دارد، به این معنی که با یک سری بلایای زمین‌شناسی مواجه می‌شود. [۹,۱۰]. در مورد موقعیت ارتفاع بالا و فعالیت های تکتونیکی پویا فلات تبت، تونل ها بیشتر در معرض بلایای زمین شناسی هستند که بر یکپارچگی و طول عمر آنها تأثیر منفی می گذارد. [۱۱,۱۲,۱۳]. در طول چندین دهه گذشته، تحقیقات قابل توجهی بر روی بلایای زمین شناسی مرتبط با پروژه های مهندسی خطی در مناطق فلات متمرکز شده است. مطالعات اخیر از تکنیک‌های مختلف از سنجش از دور (RS) و سیستم‌های اطلاعات جغرافیایی (GIS) تا مدل‌سازی عددی پیشرفته برای درک و پیش‌بینی رفتار بلایای زمین‌شناسی در مناطق فلات استفاده کرده‌اند. [۱۴,۱۵,۱۶,۱۷,۱۸,۱۹]. چانگ، ال و همکاران. (۲۰۱۵) و ما و همکاران. (۲۰۲۱) از تصاویر ماهواره ای و GIS برای ارزیابی آسیب پذیری های زمین لغزش در امتداد راه آهن چینگهای-تبت استفاده کرد. مطالعات آن‌ها نه تنها فهرست دقیقی از خطرات ارائه می‌کند، بلکه ماهیت حیاتی نظارت مستمر و اجرای اقدامات کاهش در چنین مناطق پرخطری را نیز برجسته می‌کند. [۲۰,۲۱]. علاوه بر این، پیشرفت‌ها در یادگیری ماشین و تجزیه و تحلیل داده‌ها، راه‌های جدیدی را برای پیش‌بینی و مدیریت بلایا باز کرده است. پوترا و همکاران (۲۰۲۱) و یوزف و همکاران. (۲۰۲۲) یک ارزیابی ریسک جامع از ریزش سنگ در امتداد یک راهرو جاده ای کوهستانی را با ادغام بررسی های وسایل نقلیه هوایی بدون سرنشین (UAV) با تکنیک های مدل سازی سه بعدی انجام داد. [۲۲,۲۳]. نی و همکاران (۲۰۲۴) رویکردی با استفاده از الگوریتم‌های یادگیری ماشین برای تجزیه و تحلیل مجموعه وسیعی از عوامل مؤثر بر بلایای زمین‌شناسی در مناطق فلات تبت ارائه کرد که دقت پیش‌بینی برتر و بینش‌های ارزشمندی را برای آمادگی در برابر بلایا ارائه کرد. [۲۴].

با این حال، اکثر مطالعات فوق به جای تونل‌های طولانی مدفون بر جاده‌ها متمرکز شده‌اند، در حالی که مطالعات کمی چارچوب جدیدی را برای ارزیابی ریسک پویا پیشنهاد کرده‌اند که می‌تواند با سایر پروژه‌های زیرساخت تونل در محیط‌های فلات سازگار شود. با توجه به پیچیدگی‌های بلایای زمین‌شناسی در پروژه‌های مهندسی خطی مبتنی بر فلات، می‌توان از بستر GIS و فناوری اطلاعات مکانی برای تحلیل عوامل مؤثر بر بلایای زمین‌شناسی در مناطق فلات استفاده کرد. بر اساس تحقیقات قبلی، ما از داده‌های سنجش از دور برای تعیین توزیع بلایا در امتداد تونل آتال استفاده می‌کنیم و ۹ متغیر محیطی فاجعه‌آمیز برای ارائه یک مطالعه موردی نمونه برای کاربرد یادگیری ماشین در ارزیابی حساسیت به بلایای زمین‌شناسی انتخاب شده‌اند. . در حالی که هر مدل قادر به ارزیابی مستقل حساسیت بلایای زمین شناسی است، آنها دارای سوگیری های ذاتی هستند. در این مطالعه، ما از روش وزن شواهد (WoE) استفاده کردیم. [۲۵,۲۶]، نسبت فرکانس (FR) [27,28,29]رگرسیون لجستیک (LR) [30,31,32]و ماشین بردار پشتیبانی (SVM) [33,34,35,36] برای ارزیابی قابلیت تجزیه و تحلیل بلایای زمین‌شناسی در تونل‌های ارتفاع بالا و تشخیص تمایز بین مدل‌ها. ما همچنین تعامل بین بلایای زمین‌شناسی و متغیرهای محیطی را بررسی کردیم و عوامل اولیه‌ای را که توزیع احتمالی چنین بلایایی را دیکته می‌کنند، آشکار کردیم. در نهایت، نتایج این مطالعه نتایج دقیق‌تر و مطمئن‌تری را برای ارزیابی حساسیت بلایای زمین‌شناسی در امتداد تونل‌ها ارائه می‌کند، در حالی که داده‌های اساسی برای پشتیبانی از پیشگیری و ساخت تونل ارائه می‌کند. علاوه بر این، آنها می توانند به عنوان یک مرجع ارزشمند برای بررسی های مهندسی، طراحی و ساخت تونل های کوهستانی پیچیده و خطرناک، و برای تأیید امکان استفاده از روش های ارزیابی حساسیت زمین لغزش در منطقه بزرگ در منطقه فلات چینگهای-تبت عمل کنند.

۲٫ مواد و روشها

۲٫۱٫ منطقه مطالعه

تونل آتال در هیمالیاهای داخلی واقع شده است و محدوده پیر پنجال را در بر می گیرد که مرز بین دره های جامو و کشمیر را تشکیل می دهد که بسیار کوهستانی هستند و دارای ترکیبی از رشته های بلند هستند. ارتفاع به طور قابل توجهی تغییر می کند و از ۱۲۰۰ متر تا ۶۰۰۰ متر متغیر است. [۳۷,۳۸]. مناطق گسلی به دلیل برخورد شدید و فشرده سازی صفحات تکتونیکی، همراه با بالا آمدن فلات تبت، بسیار توسعه یافته اند. و محدوده پیر پنجال در منطقه مورد مطالعه نیز حاصل حرکات رانش مرکزی اصلی (MCT) بوده است. [۳۹,۴۰,۴۱,۴۲]. زمین شناسی ساختاری رشته پیرپنجال با چین خوردگی قابل توجهی مشخص می شود که شیب جنوب غربی رشته کوه بزرگ هیمالیا را تشکیل می دهد و به طور قابل توجهی مستعد چین خوردگی و گسلش است. با انعکاس جهت ضربه بستر، رشته کوه پیر پنجال به طور کلی به سمت شمال غربی-جنوب می رود. در این میان، یک توالی کامل کربنیفر-تریاس دارد [۴۳,۴۴,۴۵,۴۶,۴۷]. قرار گرفتن در معرض صخره‌ها در برآمدگی‌های منطقه، گنیس‌ها و گنیس‌های گرانیتی، با میگماتیت‌ها و نوارهای نازک شیست در بخش شرقی مجموعه گنیس روهتانگ است. [۴۸]. این منطقه ریشه برای ورق رانش جوتوغ منطقه کولو-مندی-نارکندا را تشکیل می دهد، به طوری که این سنگ ها اندام جنوبی یک چین تاقدیس منطقه ای را اشغال می کنند که از ۲۵ درجه تا ۳۵ درجه در منطقه متغیر است.شکل ۲). اثرات تجمعی بیش از چهار فاز چین‌خوردگی همراه با نفوذهای گرانیتی و عمق دفن عمیق منجر به این شده است که این سنگ‌های دگرگونی متوسط تا کم درجه دارای چین‌خوردگی جزئی ناهماهنگ، خوابیده و فوق‌العاده پیچیده باشند.

منطقه مورد مطالعه دارای شرایط آب متغیر است. توسط رودخانه بیس تخلیه می شود و شاخه های آن از چندین یخچال طبیعی ناشناس سرچشمه می گیرند. رودخانه بیس از بیس کند سرچشمه می گیرد و با نهرهایی که از چندین دره معلق سرچشمه می گیرند به آن می پیوندند. پس از بریدن دره‌ای عمیق با صخره‌های تیز چاقو در نزدیکی کوتی، رودخانه بیس بین کوتی و گذرگاه روتانگ پیچید. [۴۹]. درگاه شمالی تونل در کرانه جنوبی دره رودخانه چاندرا واقع شده است که به سمت شمال غربی امتداد دارد، در حالی که پورتال جنوبی در دره رودخانه سولنگ قرار دارد که یکی از شاخه های رودخانه بیس است.شکل ۱). رسوبات این منطقه شامل گل های ریز است که توسط ماسه های درشت و کنگلومرا قطع می شود. مورن باستانی در این منطقه یک خط الراس طولی هلالی شکل می دهد که به میزان قابل توجهی در بستر رودخانه بیس در غرب کولنگ حفظ شده است. [۵۰]. در شرایط خاص، با توجه به شرایط پیچیده زمین شناسی و ژئومورفیک و آب و هوای طبیعی شدید منطقه، منطقه با فعالیت های لرزه ای مکرر و بلایای زمین شناسی مواجه می شود که چالش های بزرگی را برای حفظ ایمنی عملیاتی ایجاد می کند. با توجه به شرایط منحصر به فرد زمین شناسی، انجام ارزیابی حساسیت زمین شناسی بلایای طبیعی از اهمیت بالایی برخوردار است. علاوه بر این، به عنوان یک منطقه نمونه برای تحقیقات مهندسی تونل عمل می کند.

۲٫۲٫ منبع اطلاعات

تجزیه و تحلیل انجام شده این مطالعه بر اساس داده‌های سنجش از دور چند منبعی از جمله تصاویر ماهواره‌ای Pour l'Observation de la Terre (SPOT)، تصاویر ماهواره‌ای Landsat-8، DEM با وضوح ۳۰ متر و نقشه زمین‌شناسی ۱:۲۰۰۰۰۰، همراه با گزارش های موجود فهرستی از بلایای زمین شناسی از جمله زمین لغزش، ریزش و جریان زباله در این منطقه برای ایجاد نقشه های حساسیت بسیار مهم است. [۲۷,۵۱,۵۲,۵۳,۵۴]. از طریق استفاده جامع از این اطلاعات چند منبع، ۳۸ نقطه نمونه فاجعه شامل ۲۸ فروریختن، ۹ زمین لغزش و ۱ جریان آوار جمع‌آوری شد. این بلایا در دو منطقه در امتداد تونل و جاده ها متمرکز شده و به ویژه در امتداد بزرگراه له-منالی متمرکز شده است. فقط یک جریان زباله در امتداد بزرگراه آگرا-مومبای (NH3) یافت شد (شکل ۳).

در درجه اول، تمام بلایای زمین شناسی شناسایی شده در معرض تجزیه و تحلیل حساسیت آماری قرار گرفتند. در این مطالعه، ما از ارزش WoE و FR برای تعیین وزن متغیرهای محیطی استفاده کردیم، در حالی که از مدل‌های LR و SVM برای محاسبه ضریب مربوطه استفاده شد. علاوه بر این، منحنی ROC برای ارزیابی دقت پیش‌بینی‌های مدل استفاده شد.

۲٫۳٫ پردازش متغیرهای محیطی

با در نظر گرفتن ساختار زمین شناسی، اقلیم طبیعی، شکل زمین و شرایط هیدروژئولوژیکی منطقه مورد مطالعه، ۹ عامل به عنوان متغیرهای محیطی انتخاب شدند: شیب، جهت شیب، ارتفاع، ناهمواری، انحنا، سنگ شناسی، NDVI، دمای سطح زمین، فاصله تا گسل ها، فاصله تا جاده ها و فاصله تا رودخانه ها (میز ۱).

۲٫۳٫۱٫ DEM و مشتقات

نرم افزار سیستم اطلاعات جغرافیایی (GIS) (ArcGIS 10.8) را می توان برای محاسبه ویژگی های مختلف زمین از جمله شیب، جنبه شیب، ارتفاع، ناهمواری و انحنا با توجه به DEM استفاده کرد. در این مطالعه، شیب به طور کلی از ۰ درجه تا ۶۰ درجه متغیر بود و به ۸ کلاس در هر ده مقطع گروه بندی شد.شکل ۴آ). جنبه شیب، که قرار گرفتن در معرض نور خورشید و الگوهای باد را تحت تاثیر قرار می دهد، به ۹ کلاس مجزا طبقه بندی شد.شکل ۴ب). ارتفاع از ۱۶۷۳ تا ۶۱۳۲ متر بود و به دوازده طبقه با انحراف معیار ۱/۲ تقسیم شد.شکل ۴ج). انحنا به دو دسته تقسیم شد: یکی بزرگتر از صفر و دیگری کمتر از صفر (شکل ۴د).

۲٫۳٫۲٫ سنگ شناسی

سنگ شناسی به ویژه برای شرایط سنگ ناهمگن حفاری تونل مهم است [۳۸,۵۵,۵۶,۵۷]. سختی را می توان تحت تأثیر شدت هوازدگی سنگ و تشکیل خاک قرار داد و در این تحقیق آن را به هفت دسته تقسیم کردیم.شکل ۵، جدول ۲).

۲٫۳٫۳٫ شاخص گیاهی تفاوت عادی شده

شاخص تفاوت نرمال شده گیاهی (NDVI) به عنوان یک معیار حیاتی برای تراکم و سرزندگی پوشش گیاهی عمل می کند و بینش های مهمی را در مورد پوشش گیاهی ارائه می دهد که یک عامل تعیین کننده اصلی تأثیرگذار بر ثبات و یکپارچگی مناظر است. [۵۸,۵۹]. در این مطالعه، ما از روش جداسازی پیکسلی مختلط برای محاسبه NDVI با توجه به مقادیر خاکستری B4 و B3 باند TM4 و TM3 از داده‌های Landsat-8 استفاده کردیم. [۶۰,۶۱].

$NDVI = \frac{ب ۴ - ب ۳}{ب ۴ + ب ۳}$

(۱)

مقدار بی بعد NDVI بین -۱ و ۱ است و تصاویر تقریباً به بدنه های آبی، پوشش گیاهی و ساختمان ها تقسیم می شوند.

${اف}_{V} = \frac{NDVI - {NDVI}_{اس}}{{NDVI}_{V} - {NDVI}_{اس}}$

(۲)

جایی که ${اف}_{V}$ پوشش گیاهی است، ${ن D V من}_{V}$ مقدار پوشش گیاهی است و در این تحقیق ۰٫۶ تعیین شد و ${ن D V من}_{اس}$ مقدار خاک لخت است و در این مطالعه ۰۵/۰ تعیین شد.

با توجه به مطالعات قبلی، تابش ویژه پیکسل های بدنه آبی ۰٫۹۹۵ اختصاص داده شده است. تخمین تابش ویژه بر اساس معادلات (۳) و (۴) است.

$ه_{سطح} = ۰٫۹۶۲۵ + ۰٫۰۶۱۴ {اف}_{V} - ۰٫۰۴۶۱ {اف}_{V}^{۲}$

(۳)

$ه_{ساختمان} = ۰٫۹۵۸۹ + ۰٫۰۸۶ {اف}_{V} - ۰٫۰۶۷۱۱ {اف}_{V}^{۲}$

(۴)

جایی که $ه_{سطح}$ انتشار ویژه عناصر سطح طبیعی است و $ه_{ساختمان}$ نشان دهنده عناصر شهر است.

نتیجه NDVI بین ۱- و ۱ در منطقه مورد مطالعه قرار می گیرد و عدد ۰ نشان دهنده سنگ یا خاک لخت است. اکثر مقادیر NDVI تقریباً منفی یا نزدیک به ۰ هستند، به خصوص بخش های نزدیک به جاده ها و تونل. می توان نتیجه گرفت که این مناطق پوشش گیاهی کمیاب هستند و ممکن است نشانه های فاجعه زمین شناسی باشند.شکل ۶).

۲٫۳٫۴٫ دمای سطح زمین

در زمینه ارزیابی حساسیت زمین شناسی به بلایا، دمای سطح زمین (LST) به دلیل ارتباط آن با ویژگی های سطح، پوشش گیاهی، میزان رطوبت و شرایط خاک می تواند یک شاخص ارزشمند باشد. [۶۲,۶۳,۶۴,۶۵]. به منظور به دست آوردن دمای سطح به طور موثر، الگوریتم تک پنجره ای (SW) برای استخراج دمای سطح از طریق داده های سنجش از راه دور فروسرخ حرارتی Landsat-8 (TIRS) استفاده شد.

${تی}_{د} = \frac{آ (۱ - سی - D) + (ب (۱ - سی - D) + سی + D) {تی}_{آ}}{سی}$

(۵)

جایی که a = -67.355351; b = 0.458606; C = $ه_{د} {تی}_{د}$ ; D = $($ ۱- ${تی}_{د}$ )[۱ + $τ_{δ}$ (۱ − $ε_{δ}$ )]; $ه_{د}$ تابش سطح زمین است. ${تی}_{د}$ قابلیت انتقال اتمسفر است. و تی_آ میانگین دمای عمل است. فرمول الگوریتم SW قابل اجرا برای باند مادون قرمز حرارتی Landsat 8 به شرح زیر است. [۶۶,۶۷,۶۸]:

${تی}_{س} = ج [\frac{φ_{۱} L_{sen} + φ_{۲}}{ε} + φ_{۳}] + د$

(۶)

$ج \approx {تی}_{سن}^{۲} / ب_{ج} L_{سن}$

(۷)

$د = {تی}_{سن} - {تی}_{سن}^{۲} / ب_{ج}$

(۸)

که در آن ε تابش ویژه سطح است. γ پارامتر تعیین شده توسط رابطه (۷) است. δ پارامتر تعیین شده توسط رابطه (۸) است. برای TIRS Band 10 و Band 11، b_ج به ترتیب ۱۳۲۴ K و ۱۱۹۹ K است. $L_{سن}$ مقدار تابش طیفی مربوط به عنصر تصویر است (W·m^-2· sr^-1·μm^-1) ${تی}_{سن}$ نشان دهنده مقدار دمای روشنایی پس از تبدیل از باند مادون قرمز حرارتی است. و ${فی}_{۱}$ ، ${فی}_{۲}$ ، ${فی}_{۳}$ به ترتیب پارامترهای تابع اتمسفر هستند.

جیمنز-مفلوز و همکاران. ۴۸۳۸ داده پروفایل جوی را از پایگاه داده مرجع جهانی مشخصات جوی (GRAP) انتخاب کرد و با استفاده از نرم افزار انتقال تشعشعات اتمسفر MODTRAN4 محتوای بخار آب اتمسفر، انتقال اتمسفر، تابش اتمسفر به سمت بالا، تابش اتمسفر به سمت پایین و سایر پارامترها را محاسبه کرد. [۶۹,۷۰]. بیان سه تابع جوی و محتوای بخار آب اتمسفر برای Landsat-8 با برازش حداقل مربع به دست آمد، که در آن ω مقدار بخار آب اتمسفر، گرم بر سانتی متر است.^۲.

$[\begin{matrix} {فی}_{۱} \\ {فی}_{۲} \\ {فی}_{۳} \end{matrix}] = [\begin{matrix} ۰٫۰۴۰۱۹ & ۰٫۰۲۹۱۶ & ۱٫۰۱۵۲۳ \\ - ۰٫۳۸۳۳۳ & - ۱٫۵۰۲۹۴ & ۰٫۲۰۳۲۴ \\ ۰٫۰۰۹۱۸ & ۱٫۳۶۰۷۲ & - ۰٫۲۷۵۱۴ \end{matrix}] \cdot [\begin{matrix} {اوه}^{۲} \\ اوه \\ ۱ \end{matrix}]$

(۹)

LST بین ۲۰٫۹- و ۵۵٫۹ درجه سانتیگراد قرار دارد و ما نتایج را با توجه به انحراف استاندارد ۱/۲ به ۱۲ کلاس تقسیم کردیم. متفاوت از NDVI، بیشتر مقادیر بالا در نزدیکی جاده ها قرار دارند (شکل ۷).

۲٫۳٫۵٫ فاصله بافر

برای مطالعه موردی ویژه تونل آتال، فاصله بافر برای جاده ها فاصله تا خط مرکزی تونل است. می توان آن را عامل مرتبط با فعالیت انسانی دانست که ارتباط تنگاتنگی با شکل گیری یک فاجعه زمین شناسی دارد. [۵۴,۷۱]. فرآیند ساخت تونل ممکن است شیب های دو طرف آن را بی ثبات کند و تکه تکه شدن سنگ را افزایش دهد. داده‌های جاده‌ها به فرمت شبکه‌ای تبدیل شدند و یک منطقه حائل به شش کلاس در فواصل ۲۰۰ متری از خط مرکزی همه جاده‌های داخل منطقه مورد مطالعه تقسیم شد.شکل ۸آ).

رودخانه ها می توانند باعث فرسایش قابل توجهی شوند، به ویژه در مناطقی که خاک سست یا سواحل شیب دار دارند. فاصله بافر امکان شناسایی مناطقی را فراهم می کند که ممکن است در معرض ریزش ساحل رودخانه یا فرسایش قابل توجه خاک باشند، جایی که مسیر طبیعی رودخانه می تواند در طول زمان تغییر کند. [۷۲]. منطقه مورد مطالعه شامل دو رودخانه اصلی است که به عنوان منبع آب عمل می کنند و در تشکیل شن و ماسه نقش دارند. منطقه مورد مطالعه را به ۶ درجه در فواصل ۲۰۰ متری از خط مرکزی تمام آبراه ها تقسیم کردیم.شکل ۸ب).

۲٫۴٫ تشخیص چند خطی

در تجزیه و تحلیل حساسیت به بلایای زمین شناسی، قابلیت اطمینان مدل های پیش بینی به یکپارچگی داده های اساسی بستگی دارد. برای تشخیص چند خطی در مدل خود، ما یک تحلیل تشخیصی چند خطی را انجام دادیم و بینشی را در مورد وابستگی‌های متقابل بین متغیرهای پیش‌بین ارائه کردیم. با توجه به نتایج، مقدار حداکثر ضریب تورم واریانس (VIF) همه عوامل کمتر از ۱۰ و مقدار حداقل تحمل (Tol) بیشتر از ۰٫۱ است.جدول ۳)، نشان می دهد که هیچ مشکل شدید چند خطی وجود ندارد. بنابراین، این نه عامل انتخاب شده می تواند برای تجزیه و تحلیل حساسیت زمین شناسی بلایای طبیعی استفاده شود.

۲٫۵٫ مدل یادگیری ماشین

۲٫۵٫۱٫ روش وزن شواهد (WoE)

از زمان کاربرد اولیه آن توسط بونهام-کارتر در سال ۱۹۸۸ برای ارزیابی پتانسیل معدنی، مدل WoE به طور گسترده در زمینه های مختلف پذیرفته شده است. بر اساس تجزیه و تحلیل آماری، نگاشت حساسیت را می توان به صورت زیر بدست آورد [۷۳,۷۴].

${دبلیو}_{من}^{+} = لوگاریتم \frac{پ {ن [X_{i}] | ن [L]}}{پ {ن [X_{i}] | ن [\bar{L}]}} = ل n \frac{ن ({ایکس}_{من} \cap L) / ن (L)}{ن ({ایکس}_{من} \cap \bar{L}) / ن (\bar{L})} ،$

(۱۰)

${دبلیو}_{من}^{-} = لوگاریتم \frac{پ {ن [\bar{X_{i}}] | ن [L]}}{پ {ن [\bar{X_{i}}] | ن [\bar{L}]}} = ل n \frac{ن (\bar{{ایکس}_{من}} \cap L) / ن (L)}{ن (\bar{{ایکس}_{من}} \cap \bar{L}) / ن (\bar{L})} .$

(۱۱)

در معادله فوق، مراحل مختلف عوامل تاثیر متمایز مرتبط با فاجعه زمین شناسی به صورت مشخص شده است. ${ایکس}_{من}$ ، جایی که N[ $X_{i}$ ] تعداد شبکه های موجود در این مرحله است. ن[L] شماره شبکه با نقاط فاجعه زمین شناسی است. ن[ $\bar{X_{i}}$ ] و N[ $\bar{L}$ ] به ترتیب هیچ ارزشی ندارند. و N( ${ایکس}_{من}$ ∩L) تعداد شبکه‌هایی است که حاوی بلایای زمین‌شناسی هستند ${ایکس}_{من}$ .

سپس، وزن متضاد را می توان از طریق معادله زیر به دست آورد:

${دبلیو}^{+} = {دبلیو}_{من}^{+} + {دبلیو}_{من}^{-} ،$

(۱۲)

در نهایت، LSI با جمع کردن اثرات محاسبه می‌شود و ترسیم نقشه LSZ را ممکن می‌سازد.

۲٫۵٫۲٫ نسبت فرکانس (FR)

مدل FR از طریق استفاده از یک رویکرد ترکیبی خطی استفاده شد و شامل تجزیه و تحلیل سیستماتیک پارامترهای متعددی است که بر وقوع بلایای زمین‌شناسی تأثیر می‌گذارند. لی و پرادان (۲۰۰۷) و اینتاراویچیان و داساناندا (۲۰۱۱) با موفقیت از مدل FR برای تولید نقشه حساسیت زمین لغزش استفاده کردند. [۷۵,۷۶]. FR برای هر دسته در تمام لایه های داده با استفاده از معادله زیر محاسبه می شود:

${اف r}_{من} = \frac{ن_{پ من ایکس (اس من)} / ن_{پ من ایکس (ن من)}}{\sum ن_{پ من ایکس (اس من)} / \sum ن_{پ من ایکس (ن من)}}$

(۱۴)

جایی که $ن_{پ من ایکس (اس من)}$ نشان دهنده تعداد پیکسل های حاوی یک اسلاید در هر کلاس (i) است. $ن_{پ من ایکس (ن من)}$ تعداد کل پیکسل هایی است که در کل مجموعه داده تحت کلاس (i) قرار می گیرند. و $\sum ن_{پ من ایکس (اس من)}$ و $\sum ن_{پ من ایکس (ن من)}$ هر دو تعداد کل هستند.

مقدار FR بیش از ۱ نشان دهنده همبستگی قوی و مثبت بین وقوع بلایای زمین شناسی در هر طبقه از لایه های داده و حساسیت شدید است. برعکس، مقدار زیر ۱ نشان دهنده حساسیت ضعیف و منفی است.

۲٫۵٫۳٫ رگرسیون لجستیک (LR)

مدل LR عمدتاً برای استنباط رابطه بین یک سری عوامل محیطی زمین‌شناسی نسبتاً مستقل و وقوع بلایای زمین‌شناسی به کار می‌رود. [۷۷,۷۸,۷۹]. احتمال وقوع بلایای زمین شناسی در مقیاسی از ۰ تا ۱ تعیین می شود که امکان محاسبه این احتمال را در منطقه مورد مطالعه فراهم می کند. [۸۰]. این مدل عوامل محیطی زمین‌شناسی را از طبیعت گسسته و پیوسته در نظر می‌گیرد و امکان نمایش دقیق‌تر احتمالات زمین لغزش را فراهم می‌کند. [۸۱].

$آ = \frac{ه ایکس پ (م)}{۱ + ه ایکس پ (م)} .$

(۱۵)

که در آن A نشان دهنده احتمال وقوع زمین لغزش است که از ۰ تا ۱ متغیر است، در حالی که M به یک ترکیب خطی اشاره دارد.

$آ = ن_{۰} + ن_{۱} {ایکس}_{۱} + ن_{۲} {ایکس}_{۲} + \dots + ن_{n} n .$

(۱۶)

جایی که X₁، ایکس_۲، … و X_n نشان دهنده متغیرها ن_۱، ن_۲، … و N_n ضرایب شیب مربوطه هستند. ن_۰ به رهگیری اشاره دارد.

۲٫۵٫۴٫ ماشین بردار پشتیبانی (SVM)

ماشین بردار پشتیبان (SVM) یک الگوریتم یادگیری ماشینی نظارت شده است که برای کارهای طبقه‌بندی و رگرسیون قابل استفاده است. اصل اساسی SVM شناسایی ابر صفحه طبقه بندی بهینه در فضای نمونه است. حاشیه به عنوان فاصله بین ابر صفحه و نزدیکترین نقطه داده تعریف می شود. حاشیه بزرگتر برابر با توانایی تعمیم بیشتر طبقه بندی کننده است که معمولاً منجر به نرخ خطای کمتری می شود.شکل ۹). در زمینه پیش‌بینی بلایای زمین‌شناسی، SVMها در شناسایی الگوها و طبقه‌بندی مناطق بر اساس پتانسیل خطر زمین‌شناسی با ساخت هواپیماهای فوق‌العاده در یک فضای چند بعدی که طبقات مختلف را از هم جدا می‌کند، مفید هستند. [۸۲,۸۳]. در نتیجه، SVM به طور گسترده در تجزیه و تحلیل حساسیت بلایای زمین شناسی مورد استفاده قرار گرفته است و نتایج قوی را به همراه دارد.

۳٫ نتایج

۳٫۱٫ تجزیه و تحلیل عوامل اصلی فاجعه

بر اساس WoE و FR، نتایج به‌دست‌آمده با استفاده از WoE نشان می‌دهد که حساس‌ترین فاصله شیب ۲۰-۳۰ درجه، به دنبال شیب (جنوب)، ارتفاع (۲۹۸۸٫۸-۳۳۷۷٫۴ متر)، انحنا (<0)، سنگ‌شناسی است. (VII)، NDVI (<0)، دمای سطح زمین (LST) (31.6-37.2)، فاصله بافر تا جاده ها (0-200 متر)، و فاصله بافر تا رودخانه ها (400-600 متر). در همان زمان، اکثریت قریب به اتفاق نتایج به‌دست‌آمده توسط FR با نتایج به‌دست‌آمده توسط WoE یکسان است، به جز فاصله بافر تا رودخانه‌ها (0-200 متر)جدول ۴).

از طریق LR و SVM، فاکتور با بزرگترین ضرایب، همانطور که توسط LR با WoE تعیین می‌شود، فاصله بافر تا جاده‌ها، پس از LR با FR (فاصله بافر تا جاده‌ها)، SVM با WoE (فاصله بافر تا جاده‌ها) است. و SVM با FR (فاصله بافر تا جاده ها). نتایج ثابت بود (جدول ۵).

۳٫۲٫ نتایج حساسیت به بلایای زمین شناسی

در این تحقیق، داده‌های یازده متغیر محیطی و زمین‌شناسی را استخراج کردیم. مدل های ایجاد شده برای پیش بینی احتمال وقوع بلایای زمین شناسی در منطقه مورد مطالعه به کار گرفته شده اند. با توجه به نتایج، خروجی های نقشه برداری در پنج سطح حساسیت بسیار کم، کم، متوسط، زیاد و بسیار زیاد طبقه بندی شدند.شکل ۱۰، جدول ۶).

نتیجه مدل WoE-LR نشان می دهد که مقادیر LSI از ۰ تا ۰٫۹۷ متغیر است. نسبت بلایا در هر درجه، از خیلی کم تا خیلی زیاد، ۰٫۰۰، ۵٫۲۶، ۲٫۶۳، ۲۶٫۳۲ درصد و ۶۵٫۷۹ درصد بوده است. بخش ها روند افزایشی تدریجی را نشان می دهند. و بر اساس مدل WoE-SVM، مقادیر LSI از ۰ تا ۰٫۹۸ متغیر بود. نسبت بلایا در هر درجه، از خیلی کم تا خیلی زیاد، ۲٫۶۳، ۵٫۲۶، ۱۳٫۱۶، ۱۸٫۴۲ درصد و ۶۰٫۵۳ درصد بوده است. بخش ها روند افزایشی تدریجی را نشان می دهند.

نتیجه مدل FR-LR نشان می دهد که مقادیر LSI از ۰ تا ۰٫۹۸ متغیر است. نسبت بلایا در هر درجه، از خیلی کم تا خیلی زیاد، ۰٫۰۰، ۲٫۶۳، ۷٫۸۹، ۱۵٫۷۹ درصد و ۷۳٫۶۸ درصد بوده است. بخش ها روند افزایشی تدریجی را نشان می دهند. و از طریق مدل FR-SVM، مشخص شد که مقادیر LSI از ۰ تا ۰٫۹۷ متغیر است. نسبت بلایا در هر درجه، از خیلی کم تا خیلی زیاد، ۲٫۶۳، ۲٫۶۳، ۷٫۸۹، ۱۸٫۴۲ درصد و ۶۸٫۴۲ درصد بوده است. بخش ها روند افزایشی تدریجی را نشان می دهند.

۳٫۳٫ منحنی های ROC

مدل‌های تحلیل حساسیت بلایای زمین‌شناختی معمولاً از نظر دقت با استفاده از منحنی مشخصه عملکرد گیرنده (ROC) و متریک سطح زیر منحنی (AUC) ارزیابی می‌شوند. [۸۴,۸۵]. دقت ارزیابی WoE-LR، WoE-SVM، FR-LR و FR-SVM به ترتیب ۹۰٫۷، ۸۸٫۲، ۹۰٫۲ و ۸۸٫۲ درصد است. در این بین، مقادیر AUC به ترتیب ۰٫۹۰۷، ۰٫۹۰۲، ۰٫۸۸۲ و ۰٫۸۸۲ است. نتایج نشان می دهد که کدام روش برای کار در مناطق مرتفع مناسب تر است. میزان دقت به دست آمده توسط پنج مدل محاسباتی بیش از ۸۵٪ بود و مدل WoE-LR بالاترین میزان دقت را به دست آورد.شکل ۱۱).

۴٫ بحث

این مطالعه بر اساس تصاویر سنجش از دور و مدل‌های محاسبه‌شده، حساسیت زمین‌شناسی بلایای طبیعی را برای منطقه تونل آتال ارزیابی می‌کند. هنگام استفاده از مدل WoE و FR، نتایج سازگار هستند. ۲۰ تا ۳۰ درجه حساس ترین فاصله شیب است، زیرا زمانی که شیب کمتر از ۲۰ درجه باشد، سنگ و خاک پایدار هستند. برعکس، زمانی که شیب بالای ۳۰ درجه باشد، سنگ و خاک قادر به اتصال نیستند. به طور مشابه، جنوب جنبه و ارتفاع ۲۹۸۸٫۸-۳۳۷۷٫۴ متر هوازدگی قوی را می پذیرند. یک شیب مقعر شکل می تواند فرسایش بادی بیشتری را بپذیرد، لیتولوژی به راحتی شکسته می شود VII، و مناطق در معرض ضعیف ترین مقاومت را در برابر هوازدگی دارند. دمای بالا روند هوازدگی را کاتالیز می کند و وجود جاده ها و رودخانه ها به دلیل قدرت آنها باعث تکه تکه شدن سنگ ها می شود. هنگامی که محیط تمام شرایط فوق را ترکیب می کند، ایجاد لغزش بسیار آسان است.

به منظور یافتن نقشه‌برداری دقیق‌تر حساسیت زمین لغزش، این مقاله FR و SVM را برای شرکت در عملیات مدل هیبریدی انتخاب کرد. پس از مقایسه جدول مدل های مختلف، تمام قسمت ها روند افزایشی تدریجی از خیلی کم به خیلی زیاد را نشان می دهند. نتیجه نشان می‌دهد که تمامی مدل‌های هیبریدی قابلیت کاربرد خوبی دارند. در میان آنها، WoE-LR با احتمال ۹۲٫۱۱ بین زیاد و خیلی زیاد، بیشترین کاربرد را برای منطقه مورد مطالعه دارد. از طریق نتایج، علیرغم استفاده از مجموعه داده های مشابه برای بلایا و متغیرهای محیطی در هر مدل، تفاوت های قابل توجهی در ارزیابی حساسیت مشاهده شد. چهار مدل استفاده شده در بالا هر کدام دارای مزایا و معایبی با توجه به عملکردهای مختلف الگوریتم هستند. تجزیه و تحلیل منحنی ROC نشان می دهد که دقت چهار مدل بیش از ۸۵٪ است و WoE-LR بهترین در بین آنها است. در ارزیابی حساسیت تونل آتال، فاصله تا جاده ها مهمترین عامل تشخیص داده شد. با توجه به نتایج حاصل از چهار مدل، مناطق دارای بلایای زمین شناسی فراوان در منطقه مورد مطالعه عمدتاً در امتداد جاده ها پراکنده شده اند. علاوه بر این، برخی عوامل فاجعه‌آفرین دیگر نیز وجود دارد، مانند LST بالاتر.

با پیشرفت‌های فناوری اطلاعات، تعداد فزاینده‌ای از مدل‌های یادگیری ماشین برای تجزیه و تحلیل حساسیت به بلایای زمین‌شناسی استفاده می‌شود. بسیاری از کارشناسان بر روی مدل های یادگیری عمیق مانند شبکه عصبی مصنوعی (ANN)، شبکه عصبی کانولوشن (CNN) و شبکه عصبی تکراری (RNN) برای مطالعه آسیب پذیری خطرات زمین سرمایه گذاری کرده اند. [۸۶,۸۷]. با این حال، برخی از معایب نیز وجود دارد، مانند نیاز به تعداد زیادی از پارامترها. فرآیندهای یادگیری غیر قابل مشاهده؛ و مشکلات در تفسیر طبقه بندی نتایج در مدل ها. به دلیل زمین های پیچیده و چالش برانگیز در امتداد تونل آتال، انجام بررسی های معمولی زمینی در سطح وسیع بسیار چالش برانگیز است. تجزیه و تحلیل فوق نشان می دهد که ارزیابی حساسیت منطقه تونل به بلایای زمین شناسی امکان پذیر است. داده های سنجش از دور چند منبعی به دست آمده با وضوح فضایی و طیفی بالا نقش مهمی در منطقه مورد مطالعه ایفا کرده اند. فناوری سنجش از دور با ادغام مکانیسم جمع‌آوری و تجزیه و تحلیل اطلاعات مکانی، می‌تواند اطلاعات اساسی و اساسی مانند موقعیت مکانی عوامل فاجعه‌زا را ارائه دهد که برای ساخت تونل در مناطق چالش برانگیز مانند فلات تبت ضروری است. علاوه بر این، تمایز عینی‌تری در بین مدل‌های مختلف مشاهده شده است که استخراج ترکیب‌های مدل برتر را تسهیل می‌کند. ترکیب مدل رگرسیون منطقی، محاسبه ضرایب را برای هر عامل کمک کننده امکان پذیر می کند، در نتیجه نقش متمایز آنها را در محاسبات نهایی LSI برجسته می کند و منجر به نتایج ارزیابی دقیق تر و قوی تر می شود. برای مناطقی که در معرض بلایای زمین شناسی قابل توجه هستند، انتخاب مسیرهای تونل باید اجتناب از بلایا را در اولویت قرار دهد و به دنبال آن ترانزیت سریع از طریق مناطق کم خطر یا بدون خطر انجام شود. این با تجزیه و تحلیل کامل الگوهای توزیع و متغیرهای زیست محیطی بلایای زمین شناسی به دست می آید. با این وجود، به دلیل انبوهی از متغیرها که می توانند بر نتایج تأثیر بگذارند، در صورت عدم توجه دقیق به عوامل، پتانسیل قابل توجهی برای گمراهی جدی وجود دارد. علاوه بر این، به دلیل موقعیت خاص، ما یک بررسی زمین شناسی انجام ندادیم، بنابراین نمی توان نتایج را تأیید کرد. هنوز در مدل های مختلف ابهامی وجود دارد که شاید برای شهرها و دشت ها مناسب نباشد. در تحقیقات آینده، ما بر پتانسیل کامل داده های چند منبعی تمرکز خواهیم کرد و به روابط درونی بین عوامل مختلف خواهیم پرداخت. علاوه بر این، ما به استفاده از موثرترین تکنیک‌های پایش برای ارزیابی پایداری بلایای زمین‌شناسی با استفاده از داده‌های پایش چند منبعی اختصاص خواهیم داد، و این تلاش به طور قابل‌توجهی به فرآیندهای انتخاب مکان و همچنین تضمین ایمنی ساخت و سازهای تونل کمک خواهد کرد.

۵٫ نتیجه گیری ها

مطالعه ما از فناوری تجزیه و تحلیل یادگیری ماشین مبتنی بر GIS برای ارزیابی حساسیت زمین‌شناسی بلایای منطقه مورد مطالعه تونل آتال استفاده کرد. در آینده تعداد فزاینده ای تونل مشابه تونل آتال در این منطقه احداث خواهد شد. با توجه به انبوه شرایط پیچیده زمین شناسی مانند عمق زیاد دفن، گسل های فعال و ارتفاعات زیاد، نمی توان اهمیت فرآیندهای زمین شناسی دینامیکی داخلی و خارجی را اغراق کرد. روش به کار گرفته شده در این مطالعه به طور قابل توجهی نیاز به سرمایه گذاری های مالی و پرسنلی که معمولاً برای تحقیقات زمین شناسی مورد نیاز است را کاهش می دهد. این مدل‌ها با تکیه بر داده‌های قابل سنجش و الگوریتم‌های قوی، تأثیر عوامل انسانی ذهنی را که ممکن است سوگیری یا ناسازگاری را در فرآیند ارزیابی ایجاد کنند، به حداقل می‌رسانند. در عین حال، آنها می توانند یافته های کلیدی زیر را به دست آورند:

(۱): استفاده از مدل ترکیبی برای ارزیابی مناطق محلی تونل‌ها با فعالیت قوی انسانی امکان‌پذیر و مؤثر است.
(۲): عوامل زیادی در وقوع زمین لغزش نقش داشته اند، بنابراین عوامل بیشتری باید در نقشه برداری حساسیت زمین لغزش در نظر گرفته شود. از میان عوامل انتخاب شده در این مقاله، فاصله بافر تا جاده ها به عنوان حیاتی ترین عامل در ارزیابی حساسیت تونل به بلایای زمین شناسی عمل می کند.
(۳): با مقایسه کارایی چهار مدل ترکیبی، مشخص می‌شود که مدل WOE-LR برای منطقه مورد مطالعه مناسب‌تر است، با دستیابی به عملکرد برتر، با نرخ شناسایی ۹۲٫۱۱ درصد برای مناطق در معرض خطر بالا و بسیار بالا. در همین حال، ثابت شده است که مدل WOE-LR برای ارزیابی خطرات زمین‌شناسی در تونل آتال، با مقدار AUC 0.907 و نرخ دقت ۹۰٫۷ درصد، مؤثر است.

استفاده از تجزیه و تحلیل یادگیری ماشین مبتنی بر GIS در این مطالعه نه تنها سابقه ای برای ارزیابی های زمین شناسی آینده در مناطق مشابه ایجاد می کند، بلکه به زمینه گسترده تر توسعه زیرساخت های پایدار کمک می کند. این تحقیق با ارائه روشی که هم از نظر علمی دقیق و هم از نظر اقتصادی امکان پذیر است، راه را برای پروژه های زیرساختی ایمن تر و کارآمدتر در مناطق پیچیده زمین شناسی مانند فلات تبت هموار می کند. علاوه بر این، مقیاس‌پذیری مدل‌های یادگیری ماشینی به این معنی است که با در دسترس قرار گرفتن داده‌های بیشتر، این مدل‌ها می‌توانند اصلاح شوند و با چالش‌های جدید سازگار شوند و دقت و کاربرد آن‌ها افزایش یابد. در آینده، ما به ادغام مدل‌های یادگیری ماشین اضافی ادامه خواهیم داد تا دقت ارزیابی‌های خود را بیشتر اصلاح کنیم. این ابتکار به پیشرفت زمینه ارزیابی بلایای زمین شناسی کمک می کند. این فرآیند تکراری یادگیری و سازگاری، توانایی ما را برای پیش‌بینی و کاهش بلایای زمین‌شناسی افزایش می‌دهد و از جان انسان‌ها و سرمایه‌گذاری محافظت می‌کند. علاوه بر این، ادغام تجزیه و تحلیل یادگیری ماشین مبتنی بر GIS با سایر فناوری های نوظهور، مانند تجزیه و تحلیل تصاویر ماهواره ای و نظارت هواپیماهای بدون سرنشین، می تواند درک جامع تری از بلایای زمین شناسی ارائه دهد. با این حال، محدودیت‌های خاصی نیز در این مقاله وجود دارد. عوامل انتخاب شده برای تحقیق به اندازه کافی جامع نیستند و کار بررسی دقیق زمین شناسی انجام نشده است. اینها باعث انحراف بین نتایج و وضعیت واقعی شد. بنابراین، در تحقیقات آتی، این مقاله به جمع‌آوری عوامل مرتبط و شرایط فضای کاری دقیق‌تر می‌پردازد تا به نقشه‌برداری دقیق‌تر حساسیت زمین‌شناختی برای حفاظت از ایمنی تونل دست یابد.

مشارکت های نویسنده

YB: مفهوم سازی، روش شناسی، تجزیه و تحلیل رسمی، مدیریت داده ها، نوشتن – پیش نویس اصلی، نوشتن – بررسی و ویرایش، تجسم. YY: مدیریت داده ها، مفهوم سازی، نظارت، و کسب بودجه. YG: تحقیق، تجزیه و تحلیل رسمی، مدیریت پروژه. HC: نوشتن – بررسی و ویرایش، نظارت. ZL: نوشتن – بررسی و ویرایش. LC: مدیریت پروژه، نوشتن – بررسی و ویرایش. همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و با آن موافقت کرده اند.

منابع مالی

این تحقیق توسط برنامه های سازمان زمین شناسی چین (شماره کمک هزینه: DD20211543) و کمک به سازمان زمین شناسی و معدنی رواندا (شماره کمک هزینه: WKZB1811BJB301389) تامین شده است.

بیانیه هیئت بررسی نهادی

قابل اجرا نیست.

بیانیه رضایت آگاهانه

قابل اجرا نیست.

بیانیه در دسترس بودن داده ها

داده ها در مقاله موجود است.

قدردانی

ما از Jianxin Zhou و Wenzhi Zhang برای کمک آنها در جمع آوری داده ها و مفهوم سازی مطالعه، و به ویژه برای بحث ارزشمندشان تشکر می کنیم.

تضاد علاقه

نویسندگان هیچ تضاد منافعی را اعلام نمی کنند.

منابع

وو، اف. جین، اچ. Shang, Y. پیش‌بینی تغییر شکل خط لوله زیرزمینی در اطراف مهندسی تونل حمل و نقل ریلی شهری. چانه. جی. راک مکانیک. مهندس ۲۰۱۳، ۳۲، ۳۵۹۲–۳۶۰۱٫ [Google Scholar]
Xia، Y.-X.; بله، اف. ژائو، اف. Wang, LZ مدیریت کیفیت ساخت و ساز مهندسی تونل بزرگراه. جی. چانگ. دانشگاه ۲۰۰۷، ۲۷، ۶۳-۶۶٫ [Google Scholar]
ژو، دبلیو. کین، اچ. کیو، جی. فن، اچ. لای، جی. وانگ، ک. Wang, L. بررسی مدل سازی اطلاعات ساختمان با کاربردهای بالقوه در مهندسی تونل چین. R. Soc. علوم را باز کنید. ۲۰۱۷، ۴، ۱۷۰۱۷۴٫ [Google Scholar] [CrossRef] [PubMed]
شان، سی ایکس؛ شی، LZ; جیان، پی سی کاربرد ارزیابی تحلیلی فازی در ارزیابی بلایای زمین شناسی برای ساخت تونل. چانه. J. Undergr. مهندس فضا ۲۰۱۳، ۹، ۹۴۶-۹۵۳٫ [Google Scholar]
خو، دبلیو. کانگ، ی. چن، ال. وانگ، ال. کوین، سی. ژانگ، ال. لیانگ، دی. وو، سی. Zhang، W. ارزیابی پویا از پایداری شیب بر اساس داده های نظارت چند منبعی و رویکردهای یادگیری گروه: مطالعه موردی زمین لغزش Jiuxianping. جئول جی. ۲۰۲۳، ۵۸، ۲۳۵۳-۲۳۷۱٫ [Google Scholar] [CrossRef]
چن، ز. چانگ، آر. گوا، اچ. پی، ایکس. ژائو، دبلیو. یو، ز. Zou, L. پیش بینی مناطق بالقوه فاجعه زمین گرمایی در امتداد پروژه راه آهن یوننان-تبت. سنسورهای از راه دور ۲۰۲۲، ۱۴، ۳۰۳۶٫ [Google Scholar] [CrossRef]
آگاروال، ک.ک. شاه، RA; آچیوتان، اچ. سینگ، دی اس؛ سریواستاوا، اس. خان، I. فعالیت نئوتکتونیکی از رسوبات Karewa، کشمیر هیمالیا، هند. ژئوتکتونیک ۲۰۱۸، ۵۲، ۸۸-۹۹٫ [Google Scholar] [CrossRef]
نذیر، س. سیمنانی، س. Sahoo, BK; میشرا، ر. شارما، تی. مسعود، س. پایش چشمه های زمین گرمایی و آب های زیرزمینی پیر پنجال، جامو و کشمیر، برای آلودگی رادون. J. Radioanal. هسته شیمی. ۲۰۲۰، ۳۲۶، ۱۹۱۵-۱۹۲۳٫ [Google Scholar] [CrossRef]
احمد، س. Bhat، MI ژئومورفولوژی تکتونیکی حوضه رامبیارا جنوب غربی دره کشمیر سیستم گسل فعال خارج از دنباله را نشان می دهد. هیمال. جئول ۲۰۱۲، ۳۳، ۱۶۲-۱۷۲٫ [Google Scholar]
اکرم، ام اس; میرزا، ک. زیشان، م. علی، اول. همبستگی تکتونیک با خطوط زمین شناسی تفسیر شده از داده های سنجش از دور برای دره کندیا، خیبر پختونخوا، پاکستان. جی. جئول. Soc. هندوستان ۲۰۱۹، ۹۳، ۶۰۷–۶۱۳٫ [Google Scholar] [CrossRef]
ون وستن، سی جی; کاستلانوس، ای. Kuriakose، SL داده های فضایی برای ارزیابی حساسیت زمین لغزش، خطر و آسیب پذیری: یک مرور کلی. مهندس جئول ۲۰۰۸، ۱۰۲، ۱۱۲-۱۳۱٫ [Google Scholar] [CrossRef]
کریم، ز. حاجی، ر. حامد، Y. رویکردهای مبتنی بر GIS برای پیش‌بینی حساسیت زمین لغزش در منطقه ستیف (شمال شمالی الجزایر). ژئوتک. جئول مهندس ۲۰۱۹، ۳۷، ۳۵۹-۳۷۴٫ [Google Scholar]
پرادان، بی. لی، اس. ترسیم مناطق خطر زمین لغزش در جزیره پنانگ، مالزی، با استفاده از نسبت فرکانس، رگرسیون لجستیک و مدل‌های شبکه عصبی مصنوعی. محیط زیست علوم زمین ۲۰۱۰، ۶۰، ۱۰۳۷–۱۰۵۴٫ [Google Scholar] [CrossRef]
انیس، ز. ویسم، جی. ریحب، اچ. بیسواجیت، پ. Essghaier، GM اثرات خواص خاک رس در پیدایش زمین لغزش در توده فلیش: مطالعه موردی Aïn Draham، شمال غربی تونس. جی افر. علوم زمین ۲۰۱۹، ۱۵۱، ۱۴۶-۱۵۲٫ [Google Scholar] [CrossRef]
حاجی، ر. رایس، ک. گدری، ل. چوآبی، ع. حامد، ی. ویژگی‌های شکست شیب و ارزیابی حساسیت حرکت شیب با استفاده از GIS در مقیاس متوسط: مطالعه موردی از شهرداری‌های اولد دریس و ماکروها، شمال شرقی الجزایر. عرب J. Sci. مهندس ۲۰۱۷، ۴۲، ۲۸۱-۳۰۰٫ [Google Scholar] [CrossRef]
داکال، ع. آمادا، تی. Aniya, M. نقشه برداری خطر زمین لغزش و ارزیابی آن با استفاده از GIS: بررسی طرح های نمونه برداری برای روش کمی مبتنی بر سلول شبکه. سنسورهای از راه دور ۲۰۰۰، ۶۶، ۹۸۱–۹۸۹٫ [Google Scholar]
کحال، AY; عبدالرحمن، ک. الفایفی، HJ; یحیی، MM ارزیابی خطر زمین لغزش شهر امیدوار کننده نئوم، شمال غربی عربستان سعودی: یک رویکرد یکپارچه. J. King Saud Univ. علمی ۲۰۲۱، ۳۳، ۱۰۱۲۷۹٫ [Google Scholar] [CrossRef]
لی، سی اف; لی، جی. Xu، ZW; دای، FC ارزیابی حساسیت زمین لغزش در زمین طبیعی جزیره لانتائو. هنگ کنگ. محیط زیست جئول ۲۰۰۱، ۴۰، ۳۸۱-۳۹۱٫ [Google Scholar] [CrossRef]
منچار، ن. بنعباس، سی. حاجی، ر. بوآیچا، اف. گرکو، اف. ارزیابی حساسیت زمین لغزش در منطقه کنستانتین الجزایر با استفاده از مدل‌های آماری. گل میخ. ژئوتک. مکانیک. ۲۰۱۸، ۴۰، ۲۰۸-۲۱۹٫ [Google Scholar] [CrossRef]
چانگ، ال. هانسن، تشخیص RF حساسیت به یخبندان دائمی راه آهن چینگهای-تبت با استفاده از تداخل سنجی رادار ماهواره ای. بین المللی J. سنسور از راه دور. ۲۰۱۵، ۳۶، ۶۹۱-۷۰۰٫ [Google Scholar] [CrossRef]
ما، ایکس. یائو، ی. ژانگ، بی. یانگ، م. لیو، اچ. بهبود دقت و تفکیک مکانی مجموعه داده‌های بخار آب قابل بارش با استفاده از روش کاهش مقیاس مبتنی بر شبکه عصبی. اتمس. محیط زیست ۲۰۲۲، ۲۶۹، ۱۱۸۸۵۰٫ [Google Scholar] [CrossRef]
Beselly, SM; ون در وگن، م. گروترز، یو. رینز، جی. دایکسترا، جی. Roelvink، D. یازده سال دینامیک حرا-مدفلت بر روی دلتای در حال رشد ناشی از آتشفشان گلی در شرق جاوه، اندونزی: یکپارچه سازی پهپاد و تصاویر ماهواره ای. سنسورهای از راه دور ۲۰۲۱، ۱۳، ۱۰۸۴٫ [Google Scholar] [CrossRef]
چابوک، جی. بودی-بودی، ای. نگی، ع. سفید، ZZ؛ تاماس، ا. گل، آی سی; بوجتور، سی. فورگاس، اف. وحشی، AM; Kutasy، E. تجزیه و تحلیل چندطیفی نمودارهای کوچک بر اساس بررسی های میدانی و سنجش از دور – ارزیابی مقایسه ای. پایداری ۲۰۲۲، ۱۴، ۳۳۳۹٫ [Google Scholar] [CrossRef]
نی، ج. وو، تی. زو، ایکس. در آغوش گرفتن.؛ زو، دی. وو، ایکس. لی، آر. زی، سی. کیائو، ی. Pang، Q. و همکاران شبیه‌سازی پیش‌بینی حال و آینده منجمد دائمی در فلات چینگهای-تبت با مدل‌های آماری و یادگیری ماشینی. جی. ژئوفیس. Res. اتمس. ۲۰۲۴، ۳، e2020JD033402. [Google Scholar] [CrossRef]
اوزدمیر، ا. Altural، T. مطالعه مقایسه ای نسبت فراوانی، وزن شواهد و روش های رگرسیون لجستیک برای نقشه برداری حساسیت زمین لغزش: کوه های سلطان، جنوب غربی ترکیه. J. آسیایی زمین علوم. ۲۰۱۳، ۶۴، ۱۸۰-۱۹۷٫ [Google Scholar] [CrossRef]
Bassam، مدل پیش‌بینی BFA GIS برای تولید نقشه پتانسیل طلای گرمابی با استفاده از رویکرد وزن‌های شواهد در منطقه گنگما، منطقه سانجیانگ، چین. دانشگاه جی چین Geosci. 2003، ۱۴، ۲۸۳-۲۹۲٫ [Google Scholar]
ژائو، ز. لیو، زی؛ Xu, C. نقشه‌برداری حساسیت زمین لغزش مبتنی بر واحد شیب با استفاده از مدل‌های ضریب اطمینان (cf)، ماشین بردار پشتیبان (svm)، جنگل تصادفی (rf)، cf-svm و cf-rf. جلو. علوم زمین ۲۰۲۱، ۹، ۵۸۹-۶۳۰٫ [Google Scholar] [CrossRef]
Gomes، RAT; Guimarães، RF; کاروالیو جونیور، OAD; فرناندز، NF; Amaral Júnior، EVD ترکیبی از مدل‌های فضایی برای پیش‌بینی زمین لغزش‌های کم عمق و جریان‌های زباله. سنسورهای از راه دور ۲۰۱۳، ۵، ۲۲۱۹–۲۲۳۷٫ [Google Scholar] [CrossRef]
هونگ، اچ. چن، دبلیو. خو، سی. یوسف، ع.م. پرادان، بی. Tien Bui، D. ارزیابی حساسیت زمین لغزش ناشی از بارندگی در منطقه Chongren (چین) با استفاده از نسبت فرکانس، ضریب اطمینان، و شاخص آنتروپی. Geocarto Int. 2016، ۳۲، ۱۳۹-۱۵۴٫ [Google Scholar] [CrossRef]
مگاناد، دی. Maurya، VK; تیواری، ع. Dwivedi، R. نقشه‌برداری حساسیت زمین لغزش چند معیاره با استفاده از شبکه پرسپترون چند لایه عمیق: مطالعه موردی منطقه سریناگار-رودراپرایاگ (هند). Adv. Space Res. خاموش J. Comm. Space Res. 2022، ۶۹، ۱۸۸۳-۱۸۹۳٫ [Google Scholar] [CrossRef]
ژانگ، ال. یوان، اس. تحلیل رگرسیون لجستیک در رابطه بین بیماری های جسمی و رویدادهای زندگی و افسردگی در سالمندان. پزشکی گیاه ۲۰۲۳، ۱۴، ۹۲-۹۳٫ [Google Scholar]
ژانگ، تی. فو، س. لی، سی. لیو، اف. وانگ، اچ. هان، ال. Quevedo، RP; چن، تی. Lei, N. مدل‌سازی حساسیت زمین لغزش با استفاده از تکنیک‌های داده‌کاوی رگرسیون لجستیک هسته، الگوریتم القای قانون نامرتب فازی، SysFor و جنگل تصادفی. نات. خطرات ۲۰۲۲، ۱۱۴، ۳۳۲۷–۳۳۵۸٫ [Google Scholar] [CrossRef]
یواخیمز، تی. یادگیری عملی SVM در مقیاس بزرگ. فنی هرزه. ۱۹۹۸، ۸، ۴۹۹-۵۲۶٫ [Google Scholar]
لی، YJ; Mangasarian، OL SSVM: ماشین بردار پشتیبان صاف برای طبقه بندی. محاسبه کنید. بهینه. Appl. 2001، ۲۰، ۵-۲۲٫ [Google Scholar] [CrossRef]
مائو، YX; ژنگ، MZ; وانگ، TQ; Duan، M. رویکرد جدید تشخیص شکست لنگر بر اساس مدل هیبریدی LSTM-SVM برای سکوی نیمه شناور. مهندس اقیانوس ۲۰۲۳، ۲۷۵، ۱۱۴-۱۶۱٫ [Google Scholar] [CrossRef]
وانگ، دی. لیو، اس. ژانگ، سی. خو، ام. یانگ، جی. یاسر، م. Wan, J. یک مدل تقسیم‌بندی معنایی بهبود یافته بر اساس SVM برای تشخیص نشت نفت دریایی با استفاده از تصویر SAR. مارس آلودگی. گاو نر ۲۰۲۳، ۶، ۱۹۲٫ [Google Scholar] [CrossRef] [PubMed]
Lv، ZY مطالعه بر روی بیو چینه شناسی کنودونت تریاس اولیه در انشی و کشمیر، استان هوبی. Ph.D. پایان نامه، دانشگاه علوم زمین چین، ووهان، چین، ۲۰۱۸٫ [Google Scholar]
واکارو، SN; Dahl، BL زمین شناسی در و اطراف منطقه کشمیری هیمالیا Kshtwa و Doda. یوننان جئول. ۱۹۹۷، S1، ۶-۱۷٫ [Google Scholar]
آووک، جی پی؛ ایوب، ف. لپرنس، اس. کونکا، او. هلمبرگر، دی وی زلزله ۲۰۰۵، Mw 7.6 کشمیر: همبستگی زیر پیکسلی تصاویر ASTER و تجزیه و تحلیل شکل موج های لرزه ای. سیاره زمین. علمی Lett. 2006، ۲۴۹، ۵۱۴-۵۲۸٫ [Google Scholar] [CrossRef]
شیفمن، سی. بالی، BS; Szeliga، W. بیلهام، R. کمبود لغزش لرزه ای در کشمیر هیمالیا از مشاهدات GPS. ژئوفیز. Res. Lett. 2013، ۴۰، ۵۶۴۲–۵۶۴۵٫ [Google Scholar] [CrossRef]
علی، س. علی، U. نقشه برداری لیتو-ساختاری حوضه سیند (حوضه کشمیر)، شمال غربی هیمالیا، با استفاده از تکنیک های سنجش از دور و GIS. بین المللی J. Sci. Res. 2015، ۴، ۱۳۲۵–۱۳۳۰٫ [Google Scholar]
دار، GH; مالک، ق. Khuroo, AA سهمی در فلور مناطق Rajouri و Poonch در پیر پانجال هیمالیا (جامو و کشمیر)، هند. چک لیست ۲۰۱۴، ۱۰، ۳۱۷-۳۲۸٫ [Google Scholar]
احمد، س. بات، MI; مدن، سی. تجزیه و تحلیل ژئومورفیک بالی، BS تغییر شکل تکتونیکی فعال را در سمت شرقی رشته کوه پیر پنجال، دره کشمیر، هند نشان می دهد. عرب جی. ژئوشی. ۲۰۱۴، ۷، ۲۲۲۵–۲۲۳۵٫ [Google Scholar] [CrossRef]
Kaila، KL; Tripathi، KM; Dixit، MM ساختار پوسته در امتداد نمایه دریاچه Wular-Gulmarg-Naoshera در سراسر محدوده پیر پنجال هیمالیا از شنودهای لرزه ای عمیق. جی. جئول. Soc. هندوستان ۱۹۸۴، ۲۵، ۷۰۶-۷۱۹٫ [Google Scholar]
کیفیت آب چشمه بهات، ام اس و سلامت انسان در سکونتگاه های کوهپایه ای رشته کوه پیر پنجال در ناحیه آنانتناگ و کولگام جامو و کشمیر. که در زوال محیطی و سلامت انسان: عوامل طبیعی و انسانی; بلکه GM, Rafiq, A., Hajam, M., Bhat, S., Kanth, TA, Eds.; Springer: برلین/هایدلبرگ، آلمان، ۲۰۱۴٫ [Google Scholar]
Saxena، SA تونل آتال. راه آهن هند ۲۰۲۰، ۹، ۵۲-۵۵٫ [Google Scholar]
Aakash, V. روش حفاری اجرا شده در تونل آتال (روهتانگ) – مطالعه موردی. فنی پاپ ۲۰۲۱، ۶، ۱۰۶۵–۱۰۶۸٫ [Google Scholar] [CrossRef]
Sharma, KK مطالعه ریزش سقف در تونل روتانگ در حین ساخت. جی. راک مکانیک. انجام دادن. تکنولوژی ۲۰۱۶، ۲۲، ۱۱-۲۰٫ [Google Scholar]
کومار، الف. شرایط هیدرولوژیکی رودخانه بیس و جانوران ماهی آن در دره کولو. هیماچال پرادش، هند محیط زیست حفظ کنید. جی. ۲۰۱۰، ۱۱، ۷-۱۰٫ [Google Scholar] [CrossRef]
کومار، وی. شارما، ا. توکرال، ا. Bhardwaj، R. ارزیابی فعالیت های آنزیم خاک بر اساس نمونه های رسوب از بستر رودخانه Beas، هند با استفاده از تکنیک های چند متغیره. مالایی ها J. Soil Sci. 2016، ۲۰، ۱۳۵-۱۴۵٫ [Google Scholar]
شارما، LP; پاتل، ن. Ghose، MK; Debnath، P. توسعه و کاربرد مدل ارزش اطلاعات یکپارچه آنتروپی شانون برای ارزیابی حساسیت زمین لغزش و پهنه‌بندی در سیکیم هیمالیا در هند. نات. خطرات ۲۰۱۴، ۷۵، ۱۵۵۵-۱۵۷۶٫ [Google Scholar] [CrossRef]
زهری، ف. بوکلول، م. حاجی، ر. طلحی، K. تجزیه و تحلیل پایداری شیب در معادن روباز شغل جبل گستر، ن الجزایر – رویکرد چند مرحله ای. حداقل علمی ۲۰۱۶، ۲۳، ۱۳۷-۱۴۶٫ [Google Scholar]
بشارت، م. شاه، HR; Hameed، N. نقشه‌برداری حساسیت زمین لغزش با استفاده از GIS و روش همپوشانی وزنی: مطالعه موردی از شمال غربی هیمالیا، پاکستان. عرب جی. ژئوشی. ۲۰۱۶، ۹، ۲۹۲٫ [Google Scholar] [CrossRef]
چن، دبلیو. پورقاسمی، HR; ژائو، زی. یک مطالعه تطبیقی مبتنی بر gis مدل‌های dempster-shafer، رگرسیون لجستیک و مدل‌های شبکه عصبی مصنوعی برای نقشه‌برداری حساسیت زمین لغزش. Geocarto Int. 2017، ۳۲، ۳۶۷-۳۸۵٫ [Google Scholar] [CrossRef]
تانگ، دی.ام. Zeng، JQ بحث در مورد تست و تفسیر نسبت موقعیت. چانه. جی. راک مکانیک. مهندس ۲۰۰۱، S1، ۱۷۷۲-۱۷۷۵٫ [Google Scholar]
لی، YH; Wu، QJ; An، ZH; Tian، XB; Zeng، RS; ژانگ، آر کیو؛ Li، HG نسبت شور و ساختار پوسته در سراسر فلات NE تبت از توابع گیرنده تعیین می شود. چانه. جی. ژئوفیس. ۲۰۰۶، ۵، ۱۳۵۹–۱۳۶۸٫ [Google Scholar]
Xie، RC; ژو، دبلیو. یانگ، ZB; شان، YM; ژو، QM; Zhang، SJ ویژگی های آزمایش و تفسیر ورود به سیستم نسبت پواسون سنگ در شرایط شکل گیری شبیه سازی. فناوری ثبت چاه ۲۰۱۱، ۳۵، ۲۱۸-۲۲۳٫ [Google Scholar]
فنشولت، آر. راسموسن، ک. نیلسن، TT; Mbow، C. ارزیابی روندهای بلندمدت پوشش گیاهی مبتنی بر مشاهدات زمین – مقایسه همسانی تحلیل روند سری زمانی NDVI ساحل از داده‌های AVHRR GIMMS، Terra MODIS و SPOT VGT. سنسور از راه دور محیط. ۲۰۰۹، ۱۱۳، ۱۸۸۶-۱۸۹۸٫ [Google Scholar] [CrossRef]
Guo، JT; وانگ، KB; وانگ، تی جی؛ بای، ن. ژانگ، اچ. کائو، ی. لیو، H. تنوع فضایی و زمانی پوشش گیاهی NDVI و نیروهای محرکه آب و هوایی آن در سطح زمین جهانی. پول جی. محیط زیست. گل میخ. ۲۰۲۲، ۳۱، ۳۵۴۱–۳۵۴۹٫ [Google Scholar] [CrossRef]
کاروسو، جی. پالایی، جی. توزینی، ال. D'Onofrio، C. گوچی، R. نقش شاخص سطح برگ و کلروفیل برگ بر NDVI برآورد شده توسط پهپاد در تاج انگور. علمی هورتیک. ۲۰۲۳، ۳۲۲، ۱۱۲۳۹۸٫ [Google Scholar] [CrossRef]
دیویس، ز. نسبیت، ال. گان، م. Bosch، MvD ارزیابی تغییرات در پوشش گیاهی شهری با استفاده از شاخص تفاوت نرمال شده گیاهی (NDVI) برای مطالعات اپیدمیولوژیک. شهری برای. سبز شهری. ۲۰۲۳، ۸۸، ۱۲۸۰۸۰٫ [Google Scholar] [CrossRef]
هارود، آر. اسوار، ر. Bhattacharya، BK اثر گسیل سطحی و الگوریتم های بازیابی بر دقت دمای سطح زمین بازیابی شده از داده های لندست. سنسور از راه دور Lett. 2021، ۱۲، ۹۸۳-۹۹۳٫ [Google Scholar] [CrossRef]
هاروی، ام سی; رولند، JV; Luketina، KM Drone با دوربین مادون قرمز حرارتی تصاویری با وضوح بالا از منطقه زمین گرمایی Waikite، نیوزیلند ارائه می دهد. J. Volcanol. ژئوترم. Res. 2016، ۳۲۵، ۶۱-۶۹٫ [Google Scholar] [CrossRef]
بیان، ی. یانگ، YP; لی، ام. او، X. تانگ، اچ. سان، ا. Ju, X. کاربرد تکنیک‌های سنجش از راه دور فروسرخ حرارتی در نقشه‌برداری منابع زمین گرمایی. چین حداقل ۲۰۲۱، ۳۰، ۵٫ [Google Scholar]
فو، پی. Weng, Q. تحلیل سری زمانی شهرنشینی ناشی از تغییر کاربری زمین و پوشش زمین و تأثیر آن بر دمای سطح زمین با تصاویر Landsat. سنسور از راه دور محیط. ۲۰۱۶، ۱۷۵، ۲۰۵-۲۱۴٫ [Google Scholar] [CrossRef]
نیشار، ع. ریچاردز، اس. برین، دی. رابرتسون، جی. Breen، B. تصویربرداری حرارتی مادون قرمز از محیط‌های زمین گرمایی و توسط یک وسیله نقلیه هوایی بدون سرنشین (UAV): مطالعه موردی میدان زمین گرمایی Wairakei-Tauhara، Taupo، نیوزیلند. تمدید کنید. انرژی ۲۰۱۶، ۸۶، ۱۲۵۶-۱۲۶۴٫ [Google Scholar] [CrossRef]
سوبرینو، جی. Jiménez-Muñoz, JC حداقل پیکربندی باندهای مادون قرمز حرارتی برای دمای سطح زمین و تخمین انتشار در زمینه ماموریت‌های بالقوه آینده. سنسور از راه دور محیط. بین رشته ای. جی. ۲۰۱۴، ۱۴۸، ۱۵۸-۱۶۷٫ [Google Scholar] [CrossRef]
برادرزاده، ج.ا. Jiménez-Muñoz، JC; Paolini, L. بازیابی دمای سطح زمین از LANDSAT TM 5. سنسور از راه دور محیط. بین رشته ای. جی. ۲۰۱۴، ۹۰، ۴۳۴-۴۴۰٫ [Google Scholar] [CrossRef]
Jiménez-Muñoz، JC; سوبرینو، جی. Gillespie، بازیابی تابش سطح AR از داده‌های اسکنر ابرطیفی هوا: بینش‌هایی در مورد تصحیح اتمسفر و حذف نویز. IEEE Geosci. سنسور از راه دور Lett. 2012، ۹، ۱۸۰-۱۸۴٫ [Google Scholar] [CrossRef]
چن، ال. بای، ZP; سو، دی. شما، ی. لی، اچ. لیو، کیو. کاربرد رگرسیون کاربری زمین برای شبیه سازی PM هوای محیط_۱۰ و نه_۲ تمرکز در شهر تیانجین محیط زیست چین Ence 2009، ۲۹، ۶۸۵-۶۹۱٫ [Google Scholar]
اوسویی، اچ. اسامی، ی. روش تعیین فاصله بافر تا قضاوت مجاورت زمین ها به جاده ها. جی آرچیت. طرح. ۲۰۱۰، ۷۵، ۱۱۷۵–۱۱۸۰٫ [Google Scholar] [CrossRef]
ماریوتی، جی. برتول، آی. راموس، جی سی. ورنر، RDS; پادیلها، ج. Bandeira، DH فرسایش آبی از ذرت بدون خاکورزی و سویا کاشته شده در امتداد و عمود بر خطوط کانتور، در مقایسه با خاک آیش لخت. سوتین کشیش. خاک شناسی ۲۰۱۳، ۳۷، ۱۳۶۱–۱۳۷۱٫ [Google Scholar] [CrossRef]
آچور، ی. پورقاسمی، منابع انسانی چگونه تکنیک‌های یادگیری ماشینی به افزایش دقت نقشه‌های حساسیت زمین لغزش کمک می‌کنند؟ Geosci. جلو. ۲۰۱۹، ۱۱، ۸۷۱-۸۸۳٫ [Google Scholar] [CrossRef]
شیائو، تی. یین، ک. یائو، تی. لیو، اس. پیش‌بینی فضایی حساسیت زمین لغزش با استفاده از مدل‌های آماری و یادگیری ماشین مبتنی بر GIS در شهرستان Wanzhou، Three Gorges Reservoir. چین Acta Geochim. 2019، ۳۸، ۶۵۴-۶۶۹٫ [Google Scholar] [CrossRef]
لی، اس. پرادان، ب. نقشه‌برداری خطر زمین لغزش در سلانگور، مالزی با استفاده از مدل‌های نسبت فرکانس و رگرسیون لجستیک. رانش زمین ۲۰۰۷، ۴، ۳۳-۴۱٫ [Google Scholar] [CrossRef]
اینتاراویچیان، ن. نقشه برداری حساسیت زمین لغزش بر اساس مدل نسبت فراوانی داساناندا در حوضه آبخیز مای چام تحتانی. N. تایل. محیط زیست جئول ۲۰۱۱، ۶۴، ۲۲۷۱-۲۲۸۵٫ [Google Scholar]
وو، زی. وو، ی. یانگ، ی. چن، اف. ژانگ، ن. که، ی. Li, W. مطالعه تطبیقی بر روی نقشه‌برداری حساسیت زمین لغزش با استفاده از مدل‌های رگرسیون لجستیک و شاخص آماری. عرب جی. ژئوشی. ۲۰۱۷، ۱۰، ۱۸۷٫ [Google Scholar] [CrossRef]
لومباردو، ال. Mai, PM ارائه نتایج حساسیت زمین لغزش مبتنی بر رگرسیون لجستیک. مهندس جئول ۲۰۱۸، ۲۴۴، ۱۴-۲۴٫ [Google Scholar] [CrossRef]
یانگ، جی. آهنگ، سی. یانگ، ی. خو، سی. گوا، اف. Xie, L. روش جدید برای نقشه‌برداری حساسیت زمین لغزش با پشتیبانی رگرسیون لجستیک فضایی و ژئودتکتور: مطالعه موردی حوضه بزرگراه دوون، استان سیچوان، چین. ژئومورفولوژی ۲۰۱۹، ۳۲۴، ۶۲-۷۱٫ [Google Scholar] [CrossRef]
مهدادی، ف. بومزبر، ا. حاجی، ر. Kanungo، DP; زهری، F. ارزیابی حساسیت زمین لغزش مبتنی بر GIS با استفاده از مدل‌های آماری: مطالعه موردی از استان سوق اهراس، شمال شرقی الجزایر. عرب جی. ژئوشی. ۲۰۱۸، ۱۱، ۴۷۶٫ [Google Scholar] [CrossRef]
قدرت، SB; چنگ، کیو. آگتربرگ، اف. کتابچه راهنمای علوم زمین ریاضی; انتشارات بین المللی Springer: Cham، سوئیس، ۲۰۱۸٫ [Google Scholar]
تین بوی، دی. Tuan، TA; کلمپه، اچ. پرادان، بی. Revhaug، I. مدل های پیش بینی فضایی برای خطرات زمین لغزش کم عمق: ارزیابی مقایسه ای از کارایی ماشین های بردار پشتیبان، شبکه های عصبی مصنوعی، رگرسیون لجستیک هسته، و درخت مدل لجستیک. رانش زمین ۲۰۱۶، ۱۳، ۳۶۱-۳۷۸٫ [Google Scholar] [CrossRef]
هونگ، اچ. لیو، جی. زو، A.-X. شهابی، ح. فام، بی تی؛ چن، دبلیو. پرادان، بی. Bui، DT یک مدل ادغام ترکیبی جدید با استفاده از ماشین‌های بردار پشتیبان و زیرفضای تصادفی برای ارزیابی حساسیت زمین لغزش ناشی از آب و هوا در منطقه Wuning (چین). محیط زیست علوم زمین ۲۰۱۷، ۷۶، ۶۵۲٫ [Google Scholar] [CrossRef]
رابین، ایکس. تورک، ن. هاینارد، ا. تیبرتی، ن. لیزاچک، اف. سانچز، جی.-سی. Müller, M. pROC: یک بسته منبع باز برای R و S+ برای تجزیه و تحلیل و مقایسه منحنی های ROC. BMC Bioinform. 2011، ۱۲، ۷۷٫ [Google Scholar] [CrossRef] [PubMed]
لوبو، جی.ام. جیمنز والورده، آ. Real, R. AUC: معیار گمراه‌کننده عملکرد مدل‌های توزیع پیش‌بینی‌کننده. گلوب. Ecol. Biogeogr. 2010، ۱۷، ۱۴۵-۱۵۱٫ [Google Scholar] [CrossRef]
وانگ، جی. یانگ، ی. مائو، جی اچ. هوانگ، ز. هوانگ، سی. Xu, W. CNN-RNN: چارچوب یکپارچه برای طبقه بندی تصاویر چند برچسبی. در مجموعه مقالات کنفرانس IEEE در مورد دید کامپیوتری و تشخیص الگو، لاس وگاس، NV، ایالات متحده، ۲۷-۳۰ ژوئن ۲۰۱۶٫ صص ۲۲۸۵-۲۲۹۴٫ [Google Scholar]
پورناماساری، PD; تقی الدین، م. راتنا، AAP مقایسه عملکرد تحلیل احساسات مبتنی بر متن با استفاده از شبکه عصبی بازگشتی و شبکه عصبی کانولوشن. در مجموعه مقالات سومین کنفرانس بین المللی ارتباطات و پردازش اطلاعات، توکیو، ژاپن، ۲۴ تا ۲۷ نوامبر ۲۰۱۷٫ [Google Scholar]

شکل ۱٫
موقعیت تونل آتال (تصویر لندست ۸).

شکل ۲٫
تقسیم چینه شناسی تونل آتال.

شکل ۳٫
توزیع بلایای زمین شناسی

شکل ۴٫
محاسبه بر اساس DEM: (آ) شیب؛ (ب) جنبه؛ (ج) ارتفاع؛ (د) انحنا.

شکل ۵٫
طبقه بندی سختی

شکل ۶٫
NDVI منطقه مورد مطالعه.

شکل ۷٫
LST منطقه مورد مطالعه.

شکل ۸٫
فاصله تا متغیرهای انتخاب شده: (آ) فاصله تا جاده ها؛ (ب) فاصله تا رودخانه ها.

شکل ۹٫
نمودار اصلی SVM. (مربع ها و دایره ها به ترتیب دو نوع نمونه را نشان می دهند و دایره های قرمز به معنای نقطه روی ابر صفحه بهینه هستند).

شکل ۱۰٫
نگاشت حساسیت توسط مدل ها: (آ) WoE-LR; (ب) WoE-SVM; (ج) FR-LR; (د) FR-SVM.

شکل ۱۱٫
منحنی های ROC

میز ۱٫
متغیرهای محیطی

کد	متغیرهای محیطی	واحد
بیو ۱	شیب	درجه
بیو ۲	جنبه شیب	–
بیو ۳	ارتفاع	متر
بیو ۴	انحنا	متر^-۱
بیو ۵	سنگ شناسی	–
بیو ۶	NDVI	–
بیو ۷	دمای سطح زمین (LST)	درجه سانتی گراد
بیو ۸	فاصله بافر تا جاده ها	متر
بیو ۹	فاصله بافر تا رودخانه ها	متر

جدول ۲٫
طبقه بندی سختی

سطح سختی	ویژگی های سنگ شناسی
من	سنگ تازه است، با نفوذ ساختاری جزئی، شکستگی های مفصل توسعه نیافته یا کمی توسعه یافته، امتداد بسته و کوتاه، بدون یا چند صفحه ساختاری ضعیف، و پهنای باند گسل کمتر از ۰٫۱ متر است. دارای ساختار بنایی تمام بلوک است.
II	سنگ تازه یا نسبتا تازه است و تحت تأثیر زمین ساختی کمی قرار گرفته است. اتصالات یا شکاف ها کمی توسعه یافته اند و سنگ چندین صفحه ساختاری ضعیف را نشان می دهد که با اتصال بین لایه ای ضعیف مشخص می شود. پهنای باند شکستگی گسل‌ها کمتر از ۵/۰ متر است و ساختار سنگی شامل بلوک یا بنایی لایه‌ای است.
III	این سنگ نسبتاً بدون تغییر است یا فقط هوازدگی جزئی از خود نشان می دهد و شرایط آن بیشتر تحت تأثیر ساختارهای زمین شناسی زیرین است. شکاف هایی ایجاد شده و برخی باز شده و پر از گل شده اند. چندین صفحه ساختاری نرم وجود دارد و نواحی شکست گسل کمتر از ۱ متر است.
IV	مشابه III. گسل های متعدد و صفحات ساختاری ضعیف وجود دارد. نواحی شکستگی گسل کمتر از ۲ متر است و ساختار محلی شبیه به سنگریزه خرد شده است.
V	شن، رانش زمین، آوار، سنگریزه، شن و خاک.
VI	خاک، خاک رس پلاستیکی نرم، ماسه ریز اشباع مرطوب و خاک نرم.
VII	مشابه Ⅵ، اما انعطاف پذیرتر.

جدول ۳٫
دسته بندی عوامل شرطی سازی

عامل	به من	VIF
شیب	۰٫۸۸۴	۱٫۱۳۱
جنبه شیب	۰٫۸۴	۱٫۱۹۱
ارتفاع	۰٫۷۶۹	۱٫۳
انحنا	۰٫۸۹۴	۱٫۱۱۸
سنگ شناسی	۰٫۹۱۵	۱٫۰۹۳
NDVI	۰٫۹۲۱	۱٫۰۸۶
دمای سطح زمین (LST)	۰٫۹۴۱	۱٫۰۶۳
فاصله بافر تا جاده ها	۰٫۷۸۵	۱٫۲۷۵
فاصله بافر تا رودخانه ها	۰٫۸۸۴	۱٫۱۳۲

جدول ۴٫
وزن عوامل برای WoE و FR.

عوامل	کلاس	تعداد پیکسل های کلاس	تعداد پیکسل های زمین لغزش	وای	FR
شیب	۰-۱۰	۱۰۵,۵۱۰	۲	۰٫۳۸۳-	۰٫۶۶۳
	۱۰-۲۰	۲۵۹,۲۶۵	۲	−۱٫۱۴۸	۰٫۲۷۰
	۲۰-۳۰	۴۴۷۷۸۳	۲۲	۰٫۰۸۷	۱٫۷۱۷
	۳۰-۴۰	۳۲۳۷۰۴	۱۰	۰٫۰۵۱	۱٫۰۸۰
	۴۰-۵۰	۱۳۸,۲۱۹	۲	۰٫۶۲۶-	۰٫۵۰۶
	۵۰-۶۰	۴۴,۴۳۸	۰	۰٫۰۰۰	۰٫۰۰۰
	۶۰-۷۰	۸۶۸۲	۰	۰٫۰۰۰	۰٫۰۰۰
	> ۷۰	۵۱۱	۰	۰٫۰۰۰	۰٫۰۰۰
جنبه	تخت	۲۶۸۷	۰	۰٫۰۰۰	۰٫۰۰۰
	شمال	۱۶۸۷۵۹	۲	۰٫۸۰۰-	۰٫۴۱۴
	شمال شرقی	۱۴۷,۴۷۵	۲	۰٫۶۸۳-	۰٫۴۷۴
	شرق	۱۰۴,۰۵۳	۰	۰٫۰۰۰	۰٫۰۰۰
	جنوب شرقی	۱۶۹,۳۴۸	۷	۰٫۳۰۱	۱٫۴۴۵
	جنوب	۲۲۱,۳۱۴	۱۴	۰٫۵۱۶	۲٫۲۱۱
	جنوب غربی	۲۰۰,۵۲۹	۲	۰٫۹۴۴-	۰٫۳۴۹
	غرب	۱۵۰,۵۲۸	۸	۰٫۵۰۳	۱٫۸۵۷
	شمال غربی	۱۶۳,۴۱۹	۳	۰٫۳۹۵-	۰٫۶۴۲
ارتفاع	۰٫۰۰٪	۲٫۶۳٪	۷٫۸۹٪	۱۵٫۷۹٪	۷۳٫۶۸٪
	۱۶۷۳-۱۸۲۲٫۶	۲۰۴	۰	۰٫۰۰۰	۰٫۰۰۰
	۱۸۲۲٫۷–۲۲۱۱٫۳	۲۰,۴۸۲	۰	۰٫۰۰۰	۰٫۰۰۰
	۲۲۱۱٫۴-۲۶۰۰	۳۲,۳۶۹	۳	۰٫۴۴۶	۱٫۶۱۳
	۲۶۰۰٫۱–۲۹۸۸٫۷	۵۷,۶۶۸	۴	۰٫۱۶۸	۱٫۲۰۷
	۲۹۸۸٫۸–۳۳۷۷٫۴	۱۱۸,۰۶۲	۱۸	۰٫۵۳۱	۲٫۶۵۳
	۳۳۷۷٫۵–۳۷۶۶٫۱	۱۲۰,۸۵۵	۱۱	۰٫۳۲۰	۱٫۵۸۴
	۳۷۶۶٫۲–۴۱۵۴٫۸	۱۲۸۶۶۴	۲	−۱٫۱۴۵	۰٫۲۷۱
	۴۱۵۴٫۹–۴۵۴۳٫۵	۱۰۱,۸۹۰	۰	۰٫۰۰۰	۰٫۰۰۰
	۴۵۴۳٫۶–۴۹۳۲٫۲	۵۴,۵۸۳	۰	۰٫۰۰۰	۰٫۰۰۰
	۴۹۳۲٫۳–۵۳۲۰٫۹	۲۱,۱۹۳	۰	۰٫۰۰۰	۰٫۰۰۰
انحنا	−۲۸۳,۸۲۳,۹۹۶,۹۹۰–۰	۳۷۴,۴۵۶	۲۶	۰٫۵۰۷	۱٫۲۰۸
	۰–۲۳۷,۱۶۸,۰۰۱,۰۰۰	۲۸۶,۸۴۸	۱۲	۰٫۵۰۷-	۰٫۷۲۸
سنگ شناسی	Ⅰ	۱۸۸۴۰	۰	۰٫۰۰۰	۰٫۰۰۰
	Ⅱ	۲۲۶,۸۲۶	۱۷	۰٫۰۹۳	۱٫۳۰۴
	Ⅲ	۱۷۹۶۹۲	۸	−۰٫۱۷۴	۰٫۷۷۵
	Ⅳ	۳۸۸۰۱	۰	۰٫۰۰۰	۰٫۰۰۰
	Ⅴ	۵۳۵۴	۰	۰٫۰۰۰	۰٫۰۰۰
	Ⅵ	۱۷۵۷۳۴	۱۱	۰٫۰۵۳	۱٫۰۸۹
	Ⅶ	۱۶,۰۵۷	۲	۰٫۷۴۴	۲٫۱۶۸
NDVI	−۱–۰	۴۶۳۲۷۷	۳۸	۰٫۰۰۰	۱٫۲۷۷
	۰	۹۸	۰	۰٫۰۰۰	۰٫۰۰۰
	۰-۱	۱۲۸,۴۵۹	۰	۰٫۰۰۰	۰٫۰۰۰
LST	−۱۳٫۸–−۱۲٫۵	۲۲۶	۰	۰٫۰۰۰	۰٫۰۰۰
	−۷٫۰	۵۰۸۴	۰	۰٫۰۰۰	۰٫۰۰۰
	−۱٫۵	۵۴,۱۹۴	۰	۰٫۰۰۰	۰٫۰۰۰
	۴٫۰	۴۱۶۹۰	۰	۰٫۰۰۰	۰٫۰۰۰
	۹٫۶	۲۹,۱۶۶	۰	۰٫۰۰۰	۰٫۰۰۰
	۱۵٫۱	۳۰,۳۹۸	۰	۰٫۰۰۰	۰٫۰۰۰
	۲۰٫۶	۸۷۷۱۶	۵	−۰٫۱۲۶	۰٫۸۶۰
	۲۶٫۱	۱۹۸۷۵۰	۲۳	۰٫۰۵۳	۱٫۷۴۶
	۳۱٫۶	۹۹,۶۲۷	۶	۰٫۰۷۷-	۰٫۹۰۸
	۳۷٫۲	۲۳۲۹۸	۴	۰٫۸۸۲	۲٫۵۹۰
	۴۲٫۷	۲۹۸۴	۰	۰٫۰۰۰	۰٫۰۰۰
	۴۴٫۶	۵۰	۰	۰٫۰۰۰	۰٫۰۰۰
فاصله بافر تا جاده ها	۰-۲۰۰	۴۰,۷۲۴	۲۰	۱٫۴۶۲	۸٫۵۴۷
	۲۰۰-۴۰۰	۳۲۶۷۲	۶	۱٫۰۴۱	۳٫۱۹۶
	۴۰۰-۶۰۰	۳۰,۷۴۹	۱	۰٫۵۴۸-	۰٫۵۶۶
	۶۰۰-۸۰۰	۲۹۶۶۲	۱	۰٫۵۱۴-	۰٫۵۸۷
	۸۰۰-۱۰۰۰	۲۸۷۲۱	۳	۰٫۵۶۰	۱٫۸۱۸
	> ۱۰۰۰	۴۹۸۷۷۶	۷	۰٫۲۱۰-	۰٫۲۴۴
فاصله بافر تا رودخانه ها	۰-۲۰۰	۱۶۶,۳۷۳	۱۹	۰٫۲۸۴	۱٫۹۸۷
	۲۰۰-۴۰۰	۱۳۲۲۶۰	۶	۰٫۱۸۵-	۰٫۷۸۹
	۴۰۰-۶۰۰	۱۰۱,۹۰۹	۱۰	۰٫۳۹۷	۱٫۷۰۸
	۶۰۰-۸۰۰	۷۵,۱۳۲	۳	۰٫۳۲۶-	۰٫۶۹۵
	۸۰۰-۱۰۰۰	۵۴۹۰۳	۰	۰٫۰۰۰	۰٫۰۰۰
	> ۱۰۰۰	۱۳۰,۷۲۷	۰	۰٫۰۰۰	۰٫۰۰۰

جدول ۵٫
ضریب عوامل که توسط LR و SVM تعیین می شود.

	شیب	جنبه شیب	ارتفاع	انحنا	سنگ شناسی	NDVI	LST	فاصله بافر تا جاده ها	فاصله بافر تا رودخانه ها
WoE-LR	۰٫۲۱	۰٫۱۰	۰٫۰۶	۰٫۰۳	۰٫۰۴	۰٫۰۷	۰٫۰۶	۰٫۳۸	۰٫۰۶
WoE-SVM	۰٫۰۹	۰٫۱۲	۰٫۰۳	۰٫۱۳	۰٫۰۲	۰٫۰۲	۰٫۰۴	۰٫۴۸	۰٫۰۸
FR-LR	۰٫۱۱	۰٫۱۴	۰٫۱۰	۰٫۰۴	۰٫۰۳	۰٫۰۷	۰٫۰۴	۰٫۳۹	۰٫۰۹
FR-SVM	۰٫۲۸	۰٫۰۴	۰٫۱۹	۰٫۰۴	۰٫۰۴	۰٫۰۲	۰٫۰۴	۰٫۳۱	۰٫۰۴

جدول ۶٫
جدول مقایسه مدل های مختلف

	خیلی کم	کم	در حد متوسط	بالا	بسیار بالا
WoE-LR	۰٫۰۰٪	۵٫۲۶٪	۷٫۸۹٪	۲۳٫۶۸٪	۶۳٫۱۶٪
WoE-SVM	۲٫۶۳٪	۵٫۲۶٪	۱۳٫۱۶٪	۱۸٫۴۲٪	۶۰٫۵۳٪
FR-LR	۰٫۰۰٪	۲٫۶۳٪	۷٫۸۹٪	۱۵٫۷۹٪	۷۳٫۶۸٪
FR-SVM	۲٫۶۳٪	۲٫۶۳٪	۷٫۸۹٪	۱۸٫۴۲٪	۶۸٫۴۲٪

سلب مسئولیت/یادداشت ناشر: اظهارات، نظرات و داده های موجود در همه نشریات صرفاً متعلق به نویسنده (ها) و مشارکت کننده (ها) است و نه MDPI و/یا ویرایشگر(ها). MDPI و/یا ویراستار(های) مسئولیت هرگونه آسیب به افراد یا دارایی ناشی از هر ایده، روش، دستورالعمل یا محصولات اشاره شده در محتوا را رد می کنند.

© ۲۰۲۴ توسط نویسندگان. دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (CC BY) توزیع شده است (https://creativecommons.org/licenses/by/4.0/).

منبع:
۱- shahrsaz.ir , پایداری | متن کامل رایگان | ارزیابی حساسیت بلایای زمین شناسی با استفاده از یادگیری ماشینی: مطالعه موردی تونل آتال در فلات تبت
,۲۰۲۴-۰۵-۲۹ ۰۳:۳۰:۰۰
۲- https://www.mdpi.com/2071-1050/16/11/4604